Parallel Branch Model Predictive Control on GPUs

要約

ブランチモデル予測制御の問題のための並列GPUアクセラレーションソルバーを提示します。
反復LQRメソッドに基づいて、ソルバーは並列スキャンアルゴリズムを使用してツリースパール構造を活用し、時間的並列性を実装します。
その結果、提案されたソルバーは、予測ホライズンとシナリオの両方に並列性を可能にします。
さらに、一般的な不平等制約を処理するために、拡張されたラグランジアン法を利用します。
ソルバーを2つの自動化された運転アプリケーションで最先端の数値ソルバーと比較します。
数値結果は、CPUベースのソルバーと比較して、当社のソルバーが、短い視野や小規模な木の問題で競争力のあるパフォーマンスを達成し、大規模な問題について他のソルバーを上回ることを示しています。

要約(オリジナル)

We present a parallel GPU-accelerated solver for branch Model Predictive Control problems. Based on iterative LQR methods, our solver exploits the tree-sparse structure and implements temporal parallelism using the parallel scan algorithm. Consequently, the proposed solver enables parallelism across both the prediction horizon and the scenarios. In addition, we utilize an augmented Lagrangian method to handle general inequality constraints. We compare our solver with state-of-the-art numerical solvers in two automated driving applications. The numerical results demonstrate that, compared to CPU-based solvers, our solver achieves competitive performance for problems with short horizons and small-scale trees, while outperforming other solvers on large-scale problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google